L’automatisation de l’optimisation des publicités Amazon fonctionne mieux lorsqu’on lui confie les tâches que les humains font mal : surveiller des milliers de termes de recherche chaque jour, réagir aux changements de stock, attraper une enchère qui a dérivé, appliquer la même règle systématiquement à deux heures du matin. Elle fonctionne moins bien lorsqu’on lui confie des décisions de jugement qui dépendent d’informations que le système ne peut pas voir, comme un produit qui sera abandonné le mois prochain, un changement de marge, un problème de fournisseur ou une décision délibérée d’acheter des parts de marché dans une nouvelle catégorie. La plupart des projets d’automatisation décevants ne sont pas des échecs techniques. Ce sont des échecs de périmètre.
La question utile n’est donc pas de savoir s’il faut automatiser, mais où se situe la limite. Nous la traçons à un endroit précis : l’automatisation possède la fréquence et la cohérence, les humains possèdent la stratégie et les exceptions. Cela signifie que la machine ajuste les enchères, récolte les termes de recherche, applique les négatifs, rythme le budget et signale les anomalies, tandis que les gens décident à quoi sert le compte, quels produits méritent un investissement, quel est un coût d’acquisition acceptable et quand outrepasser complètement les règles. Cet article expose comment nous mettons en œuvre cette séparation, et les garde-fous qui empêchent un système basé sur des règles de faire avec confiance la mauvaise chose à grande échelle.
Tâches que l’automatisation devrait posséder
Les candidats les plus clairs sont à haute fréquence, à faible ambiguïté et réversibles. Les ajustements d’enchères dans une fourchette définie basée sur les performances récentes sont qualifiés. Il en va de même pour la récolte de termes de recherche, où les termes qui convertissent sont promus dans des campagnes à correspondance exacte et les non-convertisseurs persistants sont niés. Le dayparting, le rythme budgétaire pour que les campagnes n’épuisent pas leur allocation avant les heures de plus forte intention, et la mise en pause de la publicité sur les articles en rupture de stock sont tous mécaniques et bénéficient énormément d’être faits chaque jour plutôt que lorsque quelqu’un s’en souvient.
La détection d’anomalies est l’autre grande victoire, et elle est souvent négligée car elle ne change rien par elle-même. Un système qui remarque que les dépenses doublent sur une campagne, qu’un taux de conversion s’effondre du jour au lendemain, ou qu’un produit perd soudainement la boîte d’achat, puis le signale à un humain dans l’heure, évite plus de gaspillage que la plupart des algorithmes d’enchères ne génèrent de gains.
Décisions à garder avec les humains
Tout ce qui dépend d’un contexte extérieur aux données publicitaires doit rester humain. Le coût d’acquisition cible dépend de la marge, de la position des stocks et de l’intention stratégique. Défendre une catégorie contre un nouveau concurrent ou la concéder est une décision commerciale. La stratégie de lancement d’un nouveau produit implique d’accepter délibérément une mauvaise efficacité pendant une période, ce que tout optimiseur interprétera comme un échec et corrigera. Les termes de marque, la conquête de concurrents et tout ce qui a des implications juridiques ou relationnelles appartiennent aux personnes qui comprennent les conséquences.
- Définir l’efficacité cible par produit, informée par la marge et la valeur à vie plutôt que par l’historique de la campagne.
- Décider quels produits obtiennent un budget de croissance et lesquels sont récoltés pour le profit.
- Périodes de lancement et de liquidation, où les règles d’efficacité normales sont suspendues à dessein.
- Changements créatifs, d’annonce et d’offre, qui génèrent plus de résultats que les enchères ne le feront jamais.
- Toute réponse à un concurrent ou à un événement politique qui n’a pas de précédent dans les données.
Garde-fous pour l’automatisation de l’optimisation des publicités Amazon
Chaque règle automatisée a besoin de limites, et les limites comptent plus que la règle. Nous plafonnons la distance à laquelle une enchère peut se déplacer en une seule étape et en une semaine, afin qu’une journée bruyante ne puisse pas envoyer un mot-clé vers un extrême. Nous exigeons un volume minimum de données avant qu’une règle n’agisse, ce qui empêche un mot-clé avec trois clics et aucune vente d’être nié définitivement. Nous interdisons aux règles d’agir sur les produits marqués comme en rupture de stock ou sous examen opérationnel, car leurs données de performance ne disent pas la vérité sur la demande.
Nous conservons également une piste d’audit. Chaque changement automatisé est enregistré avec la règle qui l’a causé et les données qu’il a vues, ce qui transforme une baisse de performance mystérieuse en une enquête de cinq minutes. Sans ce journal, les équipes finissent par désactiver l’automatisation en gros après une mauvaise semaine car personne ne peut dire quelle règle a fait quoi.
Travailler avec l’automatisation de la plateforme
La plateforme publicitaire propose ses propres enchères et ciblage automatisés, et l’approche sensée n’est ni de les refuser ni de tout confier. L’automatisation de la plateforme a accès à des signaux que vous ne pouvez pas voir, y compris le comportement des acheteurs sur la place de marché. Votre propre automatisation a accès à la marge, aux stocks et à la stratégie que la plateforme n’a pas. La combinaison qui fonctionne est généralement de laisser la plateforme optimiser au sein des campagnes tandis que vos règles décident de l’allocation budgétaire entre elles, excluent les produits qui ne devraient pas être promus, et appliquent les objectifs d’efficacité qui reflètent la rentabilité réelle.
Commencer sans rien casser
Nous introduisons l’automatisation de l’optimisation des publicités Amazon par étapes. La première étape est l’observation : les règles s’exécutent mais ne produisent que des recommandations, qu’une personne examine quotidiennement. Cela expose rapidement la mauvaise logique et ne coûte rien. La deuxième étape permet aux règles à faible risque d’agir automatiquement, généralement la mise en pause basée sur le stock, les négatifs avec un seuil clair et les petits ajustements d’enchères. La troisième étape élargit les plages une fois que la piste d’audit montre que les règles se comportent raisonnablement sur un cycle complet, y compris une période promotionnelle.
Attendez-vous à conserver une revue humaine hebdomadaire en permanence. Son travail n’est pas de vérifier chaque changement mais de rechercher des modèles : règles qui se déclenchent constamment sur le même mot-clé, campagnes dérivant vers un extrême, catégories où la cible ne correspond plus à la réalité. Une bonne automatisation de l’optimisation des publicités Amazon supprime le travail de routine et fait ressortir les décisions sur lesquelles il vaut la peine de réfléchir. Elle ne supprime pas la réflexion, et toute configuration qui prétend le faire doit être traitée avec suspicion plutôt qu’avec soulagement.
Continuer la lecture : Optimisation des publicités Amazon · Amazon